Workshop: Erstelle deinen virtuellen Sidekick der Fußball hasst live und ohne Programmierkenntnisse
Worum geht's?
Im Workshop „Erstelle deinen virtuellen Sidekick der Fußball hasst live und ganz ohne Programmierkenntnisse“ zeigt Giedrius Rimkevičius von Dataera, wie sich mit Microsoft Power Platform und Microsoft Copilot Studio ein einfacher KI-Agent erstellen lässt. Der gemeinsam konfigurierte Agent heißt Rolo und arbeitet als sarkastischer, pessimistischer, aber hilfreicher HR-Assistent mit einer ausgeprägten Abneigung gegen Fußball. Hinter diesem unterhaltsamen Beispiel steht ein geschäftlicher Anwendungsfall: Ein Agent soll Unternehmenswissen nutzen, Fragen in natürlicher Sprache beantworten und über freigegebene Werkzeuge Aktionen ausführen. Der Workshop verbindet deshalb die praktische Agentenerstellung mit den Grundlagen von Power BI, Power Apps, Power Automate und Dataverse.
Was bringt es?
Ein KI-Agent kann Informationen aus Geschäftsanwendungen zugänglich machen und wiederkehrende Aufgaben anstoßen. Im Workshop erhält Rolo Zugriff auf Dataverse-Tabellen einer Hardware-Anwendung. Auf die Frage nach zugewiesenen Geräten findet er unter anderem einen Monitor, einen Laptop und ein Jabra-Gerät und unterscheidet diese von zusätzlich angeforderten Artikeln. Deutsch und Englisch werden als Sprachen eingerichtet. Außerdem wird ein Outlook-Werkzeug vorbereitet, das die ermittelten Informationen per E-Mail versenden soll. Der einfache Demonstrationsagent entsteht laut Speaker in rund 30 Minuten. Produktive Agenten benötigen deutlich mehr Arbeit an Regeln, Daten, Rechten und Tests.
Was haben wir gelernt?
Ein brauchbarer Agent beginnt nicht beim Chatfenster. Zuerst müssen Informationen digital vorliegen, aus getrennten ERP-, CRM-, Excel-, E-Mail- und SharePoint-Systemen zusammengeführt und über klare Prozesse gepflegt werden. Dataverse dient in der gezeigten Architektur als gemeinsame Datenbasis für Power Apps, Power Automate, Power BI und Copilot Studio. Darauf bauen Anwendungen, automatisierte Freigaben, Berichte und schließlich der Agent auf. Der Workshop unterscheidet zudem drei Entwicklungsstufen: Ein Assistent beantwortet allgemeine Fragen, ein Copilot verbindet das Gespräch mit Unternehmensdaten und einzelnen Werkzeugen, ein Agent führt definierte Abläufe innerhalb seiner Berechtigungen aus. Persönlichkeit allein reicht nicht. Verlässliche Wissensquellen, präzise Anweisungen, Synonyme für das Datenmodell, Fehlerbehandlung und menschlich genehmigte Verbindungen bestimmen, ob der Agent im Alltag funktioniert.
Wo kann man es einsetzen?
Mögliche Einsatzbereiche sind HR, Projekt- und Kundeninformationen, Rechnungen, interne Wissenssuche, Terminverwaltung, E-Mail-Kommunikation, Freigaben und Analysen. Ein Retrieval-Augmented-Generation-Agent kann Antworten aus einer kontrollierten Dokumentensammlung erzeugen. Analytics-Agenten arbeiten mit Berichten und semantischen Modellen. Tool-Calling-Agenten lesen Daten, versenden E-Mails oder ändern Termine. Größere Organisationen können mehrere spezialisierte Agenten koordinieren. Voraussetzung sind aktuelle und strukturierte Daten, verständlich beschriebene Wissensquellen, passende Lizenzen sowie rollenbasierte Zugriffe. Vertrauliche Dokumente sollten nicht unkontrolliert in öffentliche Chatbots geladen werden. Für jedes Werkzeug müssen Identität, Verbindung, Zustimmung und Berechtigung geklärt sein. Veröffentlichung, Teams-Bereitstellung und E-Mail-Versand waren im Workshop wegen der begrenzten Trainingsumgebung nicht vollständig nutzbar.
Der nächste Schritt
Der sinnvolle Einstieg ist ein klar begrenzter interner Anwendungsfall. Das Unternehmen legt fest, welche Frage der Agent beantworten oder welche Aktion er ausführen soll, welche Daten dafür benötigt werden und wer darauf zugreifen darf. Anschließend werden die relevanten Datenquellen geordnet, Beschreibungen und Synonyme ergänzt und ein Agent mit einer klaren Rolle, Tonalität und Hauptsprache eingerichtet. Erst danach kommen Werkzeuge wie Outlook, Teams, Kalender oder Power-Automate-Flows hinzu. Der Prototyp wird mit echten Fragen, fehlenden Daten, Rechtefehlern und abgebrochenen Aktionen getestet. Wenn Wissenszugriff, Berechtigungen und Fehlerbehandlung zuverlässig funktionieren, kann der Agent veröffentlicht und schrittweise um weitere Aufgaben erweitert werden.
Take-away
KI-Agenten sind mehr als Chatbots.
Sie können Unternehmenswissen nutzen, Fragen in natürlicher Sprache beantworten und – innerhalb definierter Berechtigungen – auch konkrete Aktionen ausführen.
Die Qualität eines Agenten hängt vor allem von Daten, Prozessen und Berechtigungen ab.
Strukturierte und aktuelle Daten, verlässliche Wissensquellen, klare Anweisungen, Zugriffsrechte und eine saubere Fehlerbehandlung sind entscheidend für den produktiven Einsatz.
Der beste Einstieg ist ein klar begrenzter Use Case.
Unternehmen sollten zunächst eine konkrete Frage oder Aufgabe definieren, die benötigten Daten und Zugriffsrechte klären und den Agenten anschließend mit realen Szenarien testen, bevor er schrittweise erweitert wird.